Bibliographic record
Abstract
Les caméras corporelles sont de plus en plus utilisées par les services de police du monde entier. Grâce à une enquête menée auprès de tous les services de police fédéraux, provinciaux, municipaux et des Premières Nations du Canada, il se dégage que 36 des 172 services de police canadiens ont déclaré avoir utilisé des caméras corporelles en 2022. Le présent article propose également une évaluation, sous forme de tableau de bord, de toutes les procédures disponibles régissant l’utilisation des cameras corporelles au Canada ( N = 27), documentant la mesure dans laquelle ces procédures abordent les questions fondamentales liées à la réglementation en matière d’utilisation de ces caméras. Les thèmes clés des procédures se répartissent en six catégories générales: attentes du programme des cameras corporelles, attentes des utilisateurs de cameras corporelles, attentes des superviseurs de cameras corporelles, attentes en matière de conservation et de stockage des données, attentes en matière de divulgation des vidéos, et considérations supplémentaires. Les procédures présentent une grande cohérence. Presque toutes ces procédures fournissent des directives en matière d’activation, exigent la notification du sujet dès que cela est raisonnablement possible, ne permettent pas que les images captées par les cameras corporelles se substituent à d’autres formes de preuves, et autorisent les utilisateurs à visionner les images. Toutefois, certains sujets sont abordés de manière beaucoup moins cohérente, avec un petit nombre de procédures présentant des commentaires sur la mise en mémoire tampon de la caméra et les pratiques sensibles aux victimes, ainsi que la communication de renseignements dans l’intérêt du public. Le présent article plaide pour une normalisation continue des procédures régissant l’utilisation des caméras corporelles à travers le Canada (et les mécanismes de gouvernance policière de manière plus générale) afin d’appuyer une prestation des services de police cohérents et de haute qualité partout dans le pays.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.008 | 0.010 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".